Business-Mehrwert durch KI
•
0 gefällt mir•132 views
Versteht man seine Anwendung als Kombination (fast) unabhängiger Services, so ergeben sich nicht nur für Entwicklung und Deployment neue Perspektiven. Denn nicht nur die eigenen Services können internen oder externen Dritten zur Verfügung gestellt werden, sondern auch der umgekehrte Weg ist denkbar. Eine entsprechend flexible Architektur vorausgesetzt, lässt sich die eigene Fachlichkeit durch 3rd Party Services sinnvoll und gewinnbringend ergänzen, ohne dabei das Rad neu erfinden zu müssen. Besonders interessant scheint hier das Feld der künstlichen Intelligenz zu sein. Egal ob automatische Texerkennung, Retourenvorhersagen, Qualitätsicherung in der Produktion oder die Vorhersage von Terminen zur Maschinenwartung; die Möglichkeiten scheinen nahezu unbegrenzt. Die Session zeigt, welche Möglichkeiten heute bereits Out-of-the-Box AI Services bieten und für welche Aufgaben man doch besser einen ML Experten mit ins Boot holen sollte.
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie Business-Mehrwert durch KI
Ähnlich wie Business-Mehrwert durch KI (20)
Mehr von OPEN KNOWLEDGE GmbH
Mehr von OPEN KNOWLEDGE GmbH (16)
Business-Mehrwert durch KI
- 1. you BUILD it Business-Mehrwert durch KI Lars Röwekamp | @mobileLarson OPEN THANX you RUN it you IMPROVE it Software als SERVICE
- 2. Software als SERVICE you IMPROVE it #1: Sammeln, verdichten & auswerten von fachlichen & technischen Metriken. #2: Abgleichen der Metriken mit den initialen Business Objectives. #3a: Adaption der Business Objectives an neue Anforderungen und Erkenntnisse. #3b: Evolution des Service als Reaktion auf geänderte Rahmenbedingungen.
- 3. Software als SERVICE EVOLUTION des Service Technische Anpassung der API, als Reaktion auf DX Feedback. Fachliche Anpassung der API, als Reaktion auf UX Feedback. Fachlichen Erweiterung der Funktionalität durch Integration von 3rd Party Services.
- 4. Software als SERVICE Technische Anpassung der API, als Reaktion auf DX Feedback. Fachliche Anpassung der API, als Reaktion auf UX Feeback. Fachlichen Erweiterung der Funktionalität durch Integration von 3rd Party Services. ... am Beispiel KI EVOLUTION des Service
- 5. AI as a Service „Was genau ist eigentlich KI?“ aka das kleine 1x1 der KI „Wie kann KI mir helfen?“ aka Ansatzpunkte für KI „Was muss ich dafür können/wissen?“ aka Getting Started mit KI
- 6. das kleine 1x1 der KI
- 7. das kleine 1x1 der KI „Artificial Intelligence is a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ (AndreasKaplan & Michael Haenlein, 2018)
- 8. künstliche Intelligenz starke KI schwache KI echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
- 9. künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
- 10. Teilgebiet des Machine Learnings: bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Deep Learning Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
- 15. das kleine 1x1 der KI KI ist Daten, Daten, Daten KI ist Algorithmus und Modell KI ist Korrelation, nicht Kausalität
- 16. KI am Beispiel …
- 17. KI am Beispiel von RECRUITING gegeben: Datensätze mit Informationen zu erfolgreichen und erfolglosen Bewerbern:innen. gesucht: Entscheidungsgrundlage, ob Bewerber:innen zum Gespräch eingeladen werden sollen oder nicht.
- 18. KI am Beispiel von RECRUITING - Name - Geschlecht - Berufserfahrung in Jahren - Arbeitslosigkeit in Jahren Trainingsset (x Kandidat:innen)
- 19. KI am Beispiel von RECRUITING - Name - Geschlecht - Berufserfahrung in Jahren - Arbeitslosigkeit in Jahren Trainingsset (x Kandidat:innen)
- 20. KI am Beispiel von RECRUITING - Name - Geschlecht - Berufserfahrung in Jahren - Arbeitslosigkeit in Jahren - erfolgreich eingestellt JA / NEIN Trainingsset (x Kandidat:innen) Grundwahrheit (gibt dem Algorithmus Feedback)
- 21. KI am Beispiel von RECRUITING In der Vergangenheit waren ca. 20% der Vorstellungsgespräche erfolgreich, d.h. die Kandidat:innen wurden eingestellt und sind 2 Jahre oder länger im Unternehmen geblieben.* Baseline (Maß für die Qualität) * btw. es gibt ca. 1000 Bewerber:innen auf eine offene Stellen..
- 22. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) „KI: finde bitte eine sinnvolle Unterteilung. Danke.“* *… auf deren Basis wir Aussagen über den Erfolg zukünftiger Bewerber:innen treffen können.
- 23. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren)
- 24. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
- 25. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4 verpasstes Talent vermeidbarerAufwand
- 26. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4 verpasstes Talent vermeidbarerAufwand
- 27. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) verpasstes Talent vermeidbarerAufwand
- 28. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) verpasstes Talent vermeidbarerAufwand 7
- 29. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 6 verpasstes Talent vermeidbarerAufwand
- 30. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
- 31. KI am Beispiel von RECRUITING Menschen müssen entscheiden, was eine gute Entscheidung ausmacht, damit maschinelles Lernen überhaupt gute Entscheidungen produzieren kann.* Rückschluss (Sozioinformatiker) * Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale
- 32. KI am Beispiel von RECRUITING Unserer KI sagt zu 50% das richtige Ergebnis voraus. FAKT: Die Baseline liegt bei 20%. 50%! Ist das jetzt eher gut oder schlecht? *bei 1000 Bewerbern auf eine Stelle wäre ein „nicht einladen“ zu 99,9% richtig!
- 33. KI am Beispiel von RECRUITING Operationalisierbarkeit: Was kann gemessen werden? Was nicht?* Rückkopplung/Feedback: Das gezeigte Modell ermöglicht nur einseitiges Feedback!** *es kann nur gemessen werden, wie erfolgreich angenommene Kandidat:innen sind **in realer Welt eher die Norm als die Ausnahme SELBSTERFÜLLENDE PROPHEZEIUNG! Kann das System sich von selbst verbessern?
- 34. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Nur 50%? Hmm, da geht doch bestimmt noch mehr!
- 35. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Trainingsset vs Testset
- 36. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Trainingsset vs Testset
- 37. KI am Beispiel von RECRUITING Ideale Linie: Warum eigentlich keine Kurve, die wirklich optimal trennt? Trainingsset vs Testset GEFAHR DES OVERFITTING!
- 38. das kleine 1x1 der KI KI ist Daten, Daten, Daten KI ist Algorithmus und Modell KI ist Korrelation, nicht Kausalität KI ist Grundwahrheit und Baseline KI ist Rückschluss und Aktion
- 40. Ansatzpunkte für KI Anlagen & Maschinenbau Produktqualität Prozessüberwachung Predictive Maintenance Rüstzeitoptimierung
- 41. Ansatzpunkte für KI Einzel- & Online-Handel* Sales Prediction Logistic Optimisation Retouren Management Product Placement Brand Loyality *Omnichannel Order Management
- 42. Ansatzpunkte für KI Finance & Insurance Personalisierung Antragsaufnahme Risikobewertung Anomalie-Detection
- 43. Ansatzpunkte für KI Human Resources Kampagnenanalyse Vorauswahl E-Assesment Self-Scheduling Active Sourcing
- 44. Ansatzpunkte für KI Customer Experience Chatbot & Voice Assistant Realtime Next Best Action Sentiment Analyse Predictivce Customer Service Intelligent Routing
- 45. Ansatzpunkte für KI KI spart Kosten KI hebt Umsatz KI verbessert Qualität KI vermindert Risiko KI optimiert Prozesse KI steigert Kundenbindung
- 46. Getting Started mit KI
- 47. Getting Started mit KI Quele: https://vas3k.com/blog/machine_learning
- 48. „Ähm, sorry! Kann ich das mit dem AI as a Service noch einmal sehen? Bitte!“ Getting Started mit KI
- 49. Business Metrics Customer Experience Voice AI Text AI Image AI Anomalie Detection Metrics Translate Polly Textract Recognition Equipment Fraud Detect Personalize Transcribe A2I (AQ) Equipement Forcast Kendra Lex Comprehen d *am Beispiel AWS AI / ML Services notwendige ML Expertise Monitron Was geht mit KI out-of-the-Box?* Getting Started mit KI
- 50. *am Beispiel AWS AI / ML Services notwendige ML Expertise Sage Maker ML Frameworks Business Metrics Customer Experience Voice AI Text AI Image AI Anomalie Detection Metrics Translate Polly Textract Recognition Equipment Fraud Detect Personalize Transcribe A2I (AQ) Equipement Forcast Kendra Lex Comprehen d Monitron Was geht mit KI out-of-the-Box?* Getting Started mit KI
- 51. Getting Started mit KI: Text-2-Speach „Hallo, schön dass ihr alle zu openThanx gekommen seid!“
- 52. Step 1: Provide Text Step 2: Choose Language, Engine, Voice … Step 3: Listen ;-) Getting Started mit KI: Text-2-Speach
- 53. Getting Started mit KI: Text-2-Speach
- 54. Getting Started mit KI: Object Detection Coffee Notebook Laptop Plant
- 55. Step 1: Provide Image Step 2: Run Detection Step 3: Evaluate Detections Getting Started mit KI: Object Detection
- 56. Step 1: Provide Image Step 2: Run Detections Step 3: Evaluate Detections Getting Started mit KI: Object Detection „WO soll gesucht werden?“
- 57. Step 1: Provide Image Step 2: Run Detection Step 3: Evaluate Detections Getting Started mit KI: Object Detection „WONACH soll gesucht werden?“
- 58. Step 1: Provide Image Step 2: Run Detection Step 3: Evaluate Detections Getting Started mit KI: Object Detection * … und mit welcher Wahrscheinlichkeit?“ „WAS wurde WO gefunden?“*
- 59. > Hands-On
- 60. > Hands-On
- 61. > Hands-On
- 63. Drinking Alcohol Smoking Tobaco Drinking Alcohol Middle Finger
- 64. Drinking Alcohol Smoking Tobaco Drinking Alcohol Sugegstive Sugegstive Middle Finger Alcohol
- 65. Getting Started mit KI: Predictions
- 66. Getting Started mit KI: Predictions
- 67. Step 1: Import Datasets Step 2: Train Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions
- 68. Step 1: Import Datasets Step 2: Train Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Sind meine Daten zur Beantwortung der Fragestellung überhaupt geeignet?“
- 69. Step 1: Import Datasets Step 2: Train Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Welcher ML Algorithmus passt am besten zu meinem Problem?“
- 70. Step 1: Import Datasets Step 2: Training Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Welchen Zeitraum in welcher Genauigkeit möchte ich betrachten?“
- 71. Step 1: Import Datasets Step 2: Training Predictors Step 3: Generate Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions „Wurde meine Fragestellung zufriedenstellend beantwortet?“
- 72. Step 1: Import Datasets Step 2: Training Predictors Step 3: Generating Forecasts Step 4: Evaluate Forcasts Getting Started mit KI: Predictions Adapt & Retrain
- 73. Getting Started mit KI: Predictions p90 p50 p10
- 74. Getting Started mit KI: Predictions p90 p50 p10
- 75. Die Wahrheit liegt in den Daten* *… und deren Interpretation
- 76. Vollständig? Granularität? Infos vorenthalten? Weiter lernend?
- 77. Was ihr MITNEHMEN solltet … KI ist Daten, Daten, Daten KI ist Features finden und bewerten KI ist Algorithmus zur Entwicklung eines Modells
- 78. Was ihr MITNEHMEN solltet … KI ist einfacher als man denkt KI ist komplizierter als man denkt
- 79. Was ihr MITNEHMEN solltet … KI ist auch Verantwortung KI ist auch Ethik
- 80. Zu guter Letzt (Quelle: https://w arandpeas.com/tag/artificial-intelligence/)
- 81. Business-Mehrwert durch KI Lars Röwekamp | @mobileLarson BESTEN DANK! #WISSENTEILEN Software als SERVICE
- 82. © xxx – iStockphoto.com (Folie 1) © yyy – iStockphoto.com (Folie 5) Alle weiteren Bilder der Präsentation sind entweder von pexels.com, pixabay.com oder von mir selbst erstellt. Bildernachweis